base LM+GNN (WT103)
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Shannon.AI,Nanjing University,Nanyang Technological University,Zhejiang University (ZJU)
- Typ organizace
- Industry,Academia,Academia,Academia
- Země
- China, Singapore
- Publikováno
- 17 October 2021
- Autoři
- Yuxian Meng, Shi Zong, Xiaoya Li, Xiaofei Sun, Tianwei Zhang, Fei Wu, Jiwei Li
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Základní model
- Transformer (Adaptive Input Embeddings) WT103
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 247M
- Výcviková data
- 103,000,000 tokens
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Open source
MIT: https://github.com/ShannonAI/GNN-LM
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 46
- Benchmark data
- base LM+GNN
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- GNN-LM: Language Modeling based on Global Contexts via GNN
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
base LM+GNN (WT103) byl zveřejněn Shannon.AI,Nanjing University,Nanyang Technological University,Zhejiang University (ZJU), v zemi zaznamenané jako China, během October 2021. Vychází z organizace, která je kategorizována jako industry,Academia,Academia,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Jeho výchozím bodem byl existující základní model, Transformer (Adaptive Input Embeddings) WT103. To je obvyklý způsob, jak je specializovaný model vytvářen.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Tréninková sada běžela na přibližně 103,000,000 tokeny textu
Odpovědi
base LM+GNN (WT103) — běžné otázky
base LM+GNN (WT103)— Kdy byl vydán?
Bylo to zveřejněno v October 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
base LM+GNN (WT103)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
base LM+GNN (WT103)— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
base LM+GNN (WT103)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
base LM+GNN (WT103)— kolik má parametrů?
Má počet parametrů 247M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
base LM+GNN (WT103)— Kdo to vytvořil?
Bylo to publikováno společností Shannon.AI,Nanjing University,Nanyang Technological University,Zhejiang University (ZJU), zakládající se na China, organizace zařazená jako industry,Academia,Academia,Academia.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.